[发明专利]一种基于分类节点图注意力网络的雷达定量降水估计方法

说明书

本发明提供了一种基于分类节点图注意力网络的雷达定量降水估计方法，包括：观测区域的图表示；对气象雷达回波拼图和自动雨量计观测降水率的数据预处理得到训练样本集；利用训练样本集训练CNGAT模型，通过前向传播得到模型输出，再通过反向传播更新模型参数使其收敛；通过对输出数据处理得到降水率估计值。

技术领域

本发明属于大气探测中地面气象观测技术领域，尤其涉及一种基于分类节点图注意力网络的雷达定量降水估计方法。

背景技术

定量降水估计(Quantitative Precipitation Estimation，QPE)是气象和水文应用领域的一个重要问题，因为降水是全球水和能量循环的主要组成部分。多普勒天气雷达能够以高时空分辨率探测大范围的降水，因此雷达定量降水估计(Radar QuantitativePrecipitation Estimation，RQPE)成为QPE最常用的方法之一。多普勒天气雷达测量的降水粒子的雷达反射率(Z)与降水率(R)密切相关，它们之间的关系通常称为Z-R关系。最常用的Z-R关系是指数方程Z＝aR^b，其中的两个参数a和b通常是根据气候时间尺度上观测的雷达与降水数据的统计特性预先设定的经验值。但是，由于不同降水类型的雷达回波特征往往差异明显，将其应用到具体的降水事件时，其估计精度往往较低。为了提高指数Z-R关系精度，学者们提出的主要改进工作可以概括为两个主要方面。一种被称为分类Z-R关系，它首先根据雷达回波场识别降水类型，不同的降水类型采用不同的参数a和b。另一种被称为动态Z-R关系，它根据最近降水事件的观测动态调整参数。这些方法都引入了特定领域的知识，如降水类型或降水场的时间分布特征，并利用雨量计的降水观测来修正模型参数。然而，这些Z-R模型的局限性在于只能进行单点估计，并且把降水看成是静态的，忽略了降水场的时空分布特征。为了能表示降水场中可能存在的复杂的时空相关性，需要引入一个更复杂的模型。

近年来，越来越多的气象研究人员开始将基于“深度学习”的数据驱动方法应用到气象观测或预报领域，这些方法往往比传统方法更高效并且更灵活。然而，由于雨量计位置分布的稀疏性和不规则性，常规深度学习方法无法利用完整的雷达回波图像进行有效的训练。另一方面，图神经网络(Graph Neural Networks，GNNs)因其能够表示复杂结构的数据而受到越来越多的关注。

发明内容

发明目的：本发明所要解决的技术问题是针对现有的雷达定量降水估计方法无法有效利用雷达回波场的时空分布特征导致估计精度低的问题，提出了一种基于分类节点图注意力网络CNGAT(Categorical Node Graph Attention Network,CNGAT)的雷达定量降水估计方法，包括以下步骤：

步骤1：观测区域的图表示：将气象雷达回波拼图覆盖区域用图表示，并且确定图中节点之间的连接方式。

步骤2：处理训练数据：对气象雷达回波拼图作归一化处理，再将连续K帧的归一化图像按顺序排列在一起组成一个训练样本，所有训练样本构成的集合为训练集的输入数据部分。对观测区域内的离散分布的自动雨量计测得的降水率数据进行对数变化，将对数变化后的值作为对应节点输出标签，构成训练集的输出数据部分。训练集包含输入-输出样本对的个数为TrainingsetSize。

步骤3：初始化模型参数：设置节点类型分配规则，设计分类节点图注意力网络CNGAT的结构，确定每一层节点隐状态向量维数。

步骤4：训练参数初始化：设置学习率为0.001，每次迭代输入一个样本，一个训练周期迭代的次数为TrainingsetSize，设模型训练的周期数为NumEpoch，总迭代次数为NumIteration＝TrainingsetSize×NumEpoch。当且迭代次数IterationNo＝1。